Policy Network Analysis: Access and Brokerage

Präsentation zum Thema: "Policy Network Analysis: Access and Brokerage"—  Präsentation transkript:

1 Policy Network Analysis: Access and Brokerage
Carpenter et al. 1998: The Strength of Weak Ties Carpenter et al. 2003: The Strength of Strong Ties Carpenter et al. 2004: Friends, Brokers and Transitivity Kurs: Policy Network Analysis Dozent: Prof. Dr. Brandes, Prof. Dr. Schneider Referenten: Daniel Arndt, Holger Bär

2 Gliederung Grundlagen soziale Netzwerke Weak ties & Lobbying Networks
Strength of strong ties Brokerage Fazit

3 1. Grundlagen sozialer Netzwerke
Granovetter (1974). Getting a Job. 300 Befragte Ego-Netzwerke mit einer Alter-Person Schwache Beziehungen sind wesentlich 3

4 Strength of Weak Ties Strong ties: Zwischen Bereitschaft zu helfen (hoch) und Nützlichkeit der Informationen herrscht ein umgekehrt proportionales Verhältnis Weak ties: Evtl. Weniger hilfsbereit, aber sie besitzen relevante Informationen. d.h. Fokus liegt auf Informationskanälen zwischen Akteuren Netzwerk-Position ist grundlegend, um relevante Informationen schnell zu erhalten Weak Ties sind Cutpoints zwischen homogenen Gruppen 4

5 „Increasingly it is through networks of people who regard each other as knowledgeable, or at least as needing to be answered, that public policy issues tend to be refined, evidence debated, and alternative options worked out – though rarely in any controlled, well-organized way.“ (Heclo, 1978)

6 2. Weak Ties & Lobbying Networks
Wie determiniert der Informationsfluss zwischen Lobbying-Organisationen den Zugang zu Regierungsorganisationen? Carpenter/Esterling/Lazer (1998). Policy-making Gesundheitswesen in den 70ern und 80ern (Datensatz von Laumann & Knoke, 1987) Zugang = here “access is narrowly defined as the interest group’s ability to convey technical policy information to the government” (419) PLUS Zugang relativ zum gesamten NW 6

7 Soziales Netzwerk I Granovetter (1973): Strength of weak ties
Strong and weak ties Annahme der Transitivität starker Bindungen Investition von Zeit Ähnlichkeit (↔ gilt auch andersherum !) Informationsfluss ▼ Wenn A starke Bindung zu B und zu C hat ist eine starke Bindung zwischen B und C wahrscheinlich Starke Bindungen aufrecht zu erhalten ist zeitaufwendig. Wenn A viel Zeit mit B und C verbringt, ist es wahrscheinlich, dass B und C Zeit mit einander verbringen Starke Bindungen herrschen vor zwischen Organisationen mit funktionellen und politischen Ähnlichkeiten. Wenn A eine starke Bindung mit C und B hat, ist es wahrscheinlich, dass B und C ebenfalls ähnlich sind. Info: Wenn einer seinen Freunden eine Geschichte erzählt, und die dies auch tun, werden einige die Geschichte öfters hören. 7

8 Soziales Netzwerk II Schwache Bindungen als Brücke zwischen Cliquen
Trend zu schwachen Bindungen? Washingtoner lobbyist: “I know far more people than ever, but I don’t count many friends among them” (zitiert in: Browne 1988, 55) Lose Bindungen als ‘public good’ Bezieht sich auf “gilt auch andersrum” !!! So ließe sich die Einbeziehung ALLER weak ties rechtfertigen 2) Zitat aus Brown und der Analyse von landwirtschaftlicher Interessenvertretung in den 80ern “Erhöhter Informationsbedarf macht diese Entwicklung notwendig”. Über strong ties sind individuelle Lobbyisten, aber auch das NW als solches weniger gut informiert. Auch Laumann & Knoke (1987: 206) beobachten, dass “information is the currency with which all types of exchange are transacted.” 3) Wenn alle besser informiert sind, dient dies der Verabschiedung von Policies 8

9 Zuverlässigkeit, Informiertheit und Zugang
Regierung C A B Annahme, dass öffentliche Akteure durch wiederholte Interaktion mit den Lobbying-Organisationen, eine Einschätzung über die Zuverlässigkeit von Lobbyisten treffen können. Zugang heißt dann, dass manche Gruppen öfters einbezogen werden als andere. 9

10 Rahmen Gesundheitspolitik in den USA
Lebhafte Debatte über komplexe Issues Frequentierter Informationsaustausch Daten Laumann und Knoke (1987) Befragung aller Lobbying-Organisationen Analyseeinheit ist die Lobbyingorganisation 1) z. Bsp: Gesundheitsversicherung, Regulierung von Arzneimitteln, AIDS Technische und wissenschaftliche Diskussion kennzeichnen Gesundheitspolitik z.Bsp.: Kosteneinschätzung, demographische Überlegungen,… DATEN Das sind - NGO‘s: Industrieverbände, Berufsvereinigungen, Gesundheitsinteressengruppen, Unternehmen - 29 GO‘s: Relevante Behörden und Kongressausschüsse  Volle Erhebung des Kommunikationsnetzwerkes und auch organisationelle Charakteristika 2) Theorie ist auf Indivduen angelegt. Jedoch vertreten Lobbyisten die Organisation. - Bindungen zwischen Organisationen bestehen länger als zwischen Personen; Reputation ebenfalls 10

11 Strength of weak ties  H1: The access of Lobbyists is increasing in their weak ties to other lobbyists. H2: The marginal impact of a weak tie should be greater than that of a strong tie. H3: Access and reliability are positively network correlated across strong ties. H4: Access is negatively network correlated across weak ties. H1 + H2: Direkte Vorteile aus schwachen Bindungen hinsichtlich Informiertheit und Zugang H1: Durch schwache Bindungen entsteht Informationsvorteil H2: Schwache Bindungen haben dadurch höheren Einfluss (Grenznutzen ist höher) - Wenn man die Wahl zwischen einer schwachen und einer starken Bindung hat, nimmt man die schwache H3 + H4: indirekter Effekt von starken und schwachen Bindungen durch Netzwerk-Autokorrelation von Zugang zu Regierungsinstitutionen H3: Wenn A und B stark verbunden sind, dann bekommt B Zugang, wenn A Zugang bekommt. A und B haben ähnliche Informationen und handeln ähnlich: sie haben eine ähnliche Position im NW inne. Vgl. Ähnlichkeitsannahme: politische und funktionelle Ähnlichkeiten (z.B. Patientenverbände) H4: Keine ähnliche Position im NW. Kontakt geschieht gerade aus Ungleichheit. Wenn Zugang begrentzt ist (Annahme; macht Sinn, da “Bekannte” über ähnliche/gleiche Informationen verfügen), Dann kommt es zwischen den schwachen Kontakten zu Wettbewerb. 11

12 Variablen Weak ties Strong ties
Y1: Anzahl ‘reliability hits’ von Regierungs-akteuren Y2: Anzahl ‘scientific hits’ von Regieruns-akteuren Y3: Anzahl ‘scientific hits’ von allen Organisationen Weak ties Strong ties Budget Alter Organisationstyp UNABHÄNGIGE 1) Zwischen Lobbyisten: “regelmäßige und routinemäßige Interaktion” Und Zwischen GO’s 2) “Austausch vertraulicher Ratschläge” - Organisationstyp (Wirtschafltiche, freiwillige oder professionelle Org.) ABHÄNGIGE Y1 + Y2: Informationszugang zur Regierung Y3: relativer Zugang zum gesamten Netzwerk (NGO’s and GO’s) Hits: Zählen die Anzahl der Nennungen Y1: “the most reliable and useful” Hier: maximal 29 (Anzahl der GO’s), Durschnittswert aber ~1,7 Y2: Wer brauchbare wissenschaftliche und technische Informationen liefert. Es wurden alle Organisationen (NGO’s und GO’s) befragt -> Y3 Für Y2 wurden die Lobbying Organisationen ausgelassen Y3: Misst die Möglcihkeit einer Organisation Informationen im Issue-Netzwerk zu verteilen. [[[Misst auch Heclos Annahme, dass Einfluss von Expertise und Zugang zu technischen Informationen einer Organisation abhängt. (Je mehr Expertise, desto mehr zeigte sich dann der Einfluss in der Regression)]]] 12

13 X 3 Statistische Analyse Count Data Poisson Model
Weak tie Strong tie Weak & strong tie Negative Binomial Estimation Kontrolle für “Über-zerstreuung” X 3 1) Bsp. Anzahl ‘reliability hits’ 2) üblich ist Poisson, da a)-c) Berechnung eines “Network autoregression term” Mathematischer Ausdruck, der die doppelte Anhängigkeit von starken und schwachen Bindungen ausdrückt. 3) Over-dispersion liegt dann vor, wenn die beobachtete Varianz die Varianz des theoretischen Modells übersteigt. Da bei der Poisson Verteilung die Varianz nicht unabhängig vom Mittelwert angepasst werden kann, ist die Verteilung ggf. Nicht and die Beobachtungen anpassbar. 13

14 Ergebnisse I Aus: Table 1-3: Poisson Second order Dependent Weak ties
Budget RO Reliability 0,0694*** 0,7028*** 15,7560** Scientific a) gov’ 0,0557*** 0,1042* 4,6012** Scientific b) all 0,1633*** WEAK TIES Robustheit: In 11 von 12 Regressionen ist die Beziehung signifikant positiv 10 weak ties = 1,2 reliability hits (Durchschnitt 1,67) = 1,9 scientific hits (Schnitt 3,44) = 12,8 mehr scientific contacts mit allen (Schnitt 7,81) WALD TEST Wald test indiziert in allen drei Modellen einen höheren Nutzen von weak ties ( H2) 14

15 Ergebnisse II Autoregression uneindeutig
H3: strong tie: Ähnlichkeit erhöht die Zugangschancen H4: weak tie: Wettbewerb verringert die Zugangschancen a) positiv nw korreliert b) negativ nw korreliert 15

16 Schlussfolgerung Weak ties bringen Informationsvorteil und Wettbewerb
Trade-off Makro Ebene Sozialkapital? Im Gegensatz zu strong ties: Hier wird Wettbewerb eher entschärft, da für enge Kontakte Vorteile entstehen können 2) Das heißt Entscheidung zwischen weak und strong ties auf Grundlage der unterschiedlichen Vorteile Investition in strong ties lohnen sich im Vergleich mit weak ties nicht, strong ties bieten aber gleichzeitig Zugangsmöglichkeiten Gehen nicht drauf ein, welche Vorteile genau das im Falle der strong ties sind  “strength of strong ties” 3) Weak ties als Diffusionsträger von Informationen im gesamten Netzwerk 4) “features of social organizations such as networks, norms and social trust that facilitate coordination and cooperation for mutual benefits” (Putnam)  hier: weak tie Kommunikation ermöglicht Koordination von issues 16

17 3. The Strength of Strong Ties
Abgrenzung von Carpenter et al. 1998 Erlangen von Information Einführung eines Preises für Kommunikation Unterscheidung Informationen – nützliche Informationen Übergang: interdependent interconnectedness  mehrere Konzepte darunter angesprochen, welche teilweise im Folgenden diskutiert werden Abgrenzung: - Fokus liegt auf dem Erlangen von Informationen - Dieses braucht Zeit/ Ressourcen, welche begrenzt sind → trade-off zwischen strong-ties network und weak-ties-network - Alle wollen ihre Menge an Informationen maximieren - Es gibt ein „competitive information environment“ → d.h. je höher die Nachfrage nach einer Information, desto höher ihr „Preis“: Akteure unterscheiden dann bei der Weitergabe von Information zwischen ihren strong und weak ties - Unterscheidung bei der Maximierung zwischen reinen Informationen an sich (dann weak ties besser) oder für die jeweilige Person brauchbaren Informationen (→ strong ties)

18 „My contacts trust me, and I think their trust is well placed
„My contacts trust me, and I think their trust is well placed. Most of the things they tell me are not of a secret nature; it’s just a development they have discoverer which they think I would be interested in. It is very difficult to find information if you go out digging for it... Actually, you get much better information from people who know you, know what your interests are, and know that they can trust you” (Milbrath 1963: 260)

19 Strong tie priority rule
Strong ties werden aus drei Gründen bevorzugt: „bandwidth constraint“→ Priorisierung notwendig Besseres Wissen darüber, welche Informationen gebraucht werden Vorteile in Form von Informationen werden zuerst an Freunde gegeben → strong ties receive preferential treatment for three reasons (“strong tie priority rule”) “bandwidth constraint”: actor’s limited capacity to communicate with his contacts → need for prioritization of contacts who will receive information first Besseres Wissen darüber, an welchen Informationen ein Kontakt interessiert ist Wenn Informationsweitergabe mit bestimmten Vorteilen verbunden ist, würde sie zuerst an einen engen Kontakt kommuniziert werden → Vgl. mit „Weak ties“ Argument: daraus ergibt sich ein trade-off zwischen dem Zugang zu mehr und neuen Informationen (weak ties) und dem Erhöhen der eigenen Bedeutung bei den Kontakten (um von denen wichtige Informationen zu bekommen) → dieser trade-off soll in einem formellen Model dargestellt und mit den Laumann/ Knoke Daten statistisch analysiert werden

20 Simulationsmodell N Akteure Events – bestehend aus fünf Runden
Kollektive Nachfrage μ Zeitbudget: T = W + λS → Kontinuum von Strategie-möglichkeiten zwischen acquaintance und chum strategy Politiknetzwerk mit N Interessengruppen mit potentiell gleichen Interessen an einem Set von Themen Event: umfasst Debatte und Informationsaustausch zwischen den Gruppen wenn die Regierung eine bestimmte Handlung ins Auge fasst Erhalt der Information hängt nun von der sozialen Netzwerkposition ab „Kollektive Nachfrage“ nach einer Information widerspiegelt den Anteil aller Interessierten an der Population → operationalisiert durch. Jeder event besteht aus verschiedenen Runden R, in denen die Information zu jeweils einem Akteur übertragen werden kann. Begrenztes Zeitbudget: T = W + λS (λ > 1, da strong ties „teurer“ als weak ties) Kontinuum von Möglichkeiten, Zeit zu verwenden: acquaintance (weak ties) vs. chum strategy (alles strong ties)

21 In jeder Runde: Zufällige Verteilung der Informationen über alle Akteure Investitionsentscheidung: wieviele strong/ weak ties? Ties werden zufällig zugeteilt Strategien werden zu Beginn zugeteilt und fortan adaptiert Informationen werden zufällig verteilt Nachfrage μ ist bekannt und wird zu Beginn der Runde zufällig ermittelt Investmententscheidung: Jede Gruppe entscheidet zu Beginn der Runde, wie viele strong und weak ties sie haben möchte – diese werden zufällig zugeteilt.[1] Strategien werden zunächst zufällig zugeteilt und dann evolutorisch adaptiert Jeder Akteur hat einen „Network strategy string“ – Angabe über Anzahl gewählter strong ties gegeben alle 10 Werte für μ (kollektive Nachfrage) [1] Realitätsbezug dieser Annahme??? NULL. Kontrastiere mit Social Trust und wiederholter Interaktion – hier nicht möglich! PLUS: Granovetters Kritik, dass strong ties keine neuen Informationen liefern wird durch die Konstruktion des Modells entkräftet

22 Annahmen des Modells 1) Kollektive Nachfrage variiert zwischen events.
2) Alle strong ties erhalten die Information vor den weak ties. 3) Erfolgreiche Strategien werden nachgeahmt. Die kollektive Nachfrage nach Informationen variiert zwischen den events. „Kollektive Nachfrage“ nach einer Information widerspiegelt den Anteil aller Interessierten an der Population → operationalisiert durch μ. Jeder event besteht aus verschiedenen Runden R, in denen die Information zu jeweils einem Akteur übertragen werden kann. Weak ties erhalten Information erst dann, wenn alle interessierten strong ties diese bereits haben. Begrenztes Zeitbudget: T = W + λS (λ > 1, da strong ties „teurer“ als weak ties) Kontinuum von Möglichkeiten, Zeit zu verwenden: acquaintance (weak ties) vs. chum strategy (alles strong ties) Gruppen ahmen das Verhalten von erfolgreichen Gruppen nach. Modeliert durch einen „genetic algorithm“ (Evolution in Strategien → nach bestimmter Zeit (# events) werden Strategien nach ihrer average informedness bewertet und aus den besten parents für neue, bessere Strategie ausgewählt werden (dazu werden Eigenschaften der Eltern zufällig gemischt); zusätzlich 1% Mutationswahrscheinlichkeit Annahme: eine beste Strategie zur Maximierung der erhaltenen relevanten Informationen setzt sich durch

23 Ergebnisse des Simulationsmodells
Je größer die kollektive Nachfrage, desto mehr Ressourcen investieren Akteure in strong ties Die Cliquenbildung mildert den Effekt ab; dieser bleibt aber erhalten Zwei Einsichten daraus: (Result 1 & 2 – 421/422) Wahrscheinlichkeit als weak tie Informationen zu erhalten nimmt mit steigender kollektiver Nachfrage überproportional ab Bei Cliquenbildung bleibt die Grundaussage erhalten, die Stärke des Zusammenhang ist aber deutlich geringer (GRANOVETTER: „The intra-clique nature of strong ties reduces their value as sources of information“)

24

25 Zwei Hypothesen H1: Je größer die kollektive Nachfrage nach Information in einem event, desto größer der Vorteil von strong ties H2: Je größer die durchschnittliche kollektive Nachfrage in den events, an denen ein Akteur beteiligt ist, desto größer der Vorteil von strong ties Zwei Hypothesen H1: Die durchschnittliche Anzahl der strong ties is positiv korreliert mit der kollektiven Nachfrage an diesen events. (!) Keine neuen Netzwerken für jede Runde, da Daten über mehrere Events gehen! Statt dessen: Veränderung „over time“ ? H2: (Akteur/Gruppe ist gleichzeitig in mehreren events beteiligt, die gleichen Einfluss auf die Kommunikationsentscheidungen haben) Die Anzahl von strong ties die ein Akteur besitzt is positiv korreliert mit der durchschnittlichen kollektiven Nachfrage in den events, die dieser Akteur besucht.

26 Daten & Kontrollvariablen
Daten: Laumann/ Knoke 1987 Unabhängige Variablen Organisationsvariablen Netzwerkvariablen Kontrollvariablen „Organisationsvariablen“ Budget (logged in $) Mobilization capacity (zugeschriebene ability to mobilize members or employees“) Public mobilization capacity (von anderen zugeschriebene Fähigkeit, die öffentliche Meinung im eigenen Interesse zu mobilisieren) Alter Hauptfunktion der Organisation?: Public Interest Group (=1) – otherwise = 0 Netzwerkvariablen: Bei H1: Kollektive Nachfrage nach Information in diesem Event Für H2: Durchschnittliche kollektive Nachfrage nach Information über alle Themen, in denen eine Gruppe involviert ist Beide: Anzahl der weak ties als proxy für Zeitbudget Zeitbudget: nicht beobachtbar → Zahl der weak ties als proxy Wenn es ein measure gäbe, würde man negative Beziehung zwischen # strong ties und # weak ties erwarten → da nicht vorhanden sollte diese (fälschlicherweise) positiv sein Keine der Organisationsvariablen in beiden Modellen signifikant

27 Ergebnisse für H1 Table3. OLS – Event-level analysis (abhängige Var: durchschnittliche Anzahl der strong ties der in diesem event involvierten Gruppen) H1: beibehalten → Modell 4: 8,96 (2,54) → signifikant positiver Zusammenhang zwischen der kollektiven Nachfrage nach Information und der Anzahl an strong ties Problem: abhängige Variable kann nur positive Ausprägungen bekommen --- schwierig mit OLS, aber Autoren: kein Problem, da dep. Var mean (21,86) 4 Standardabweichungen (5,14) weg von null

28 Aggregate Demand for Information (μ) (Test of H1: Proportion of groups reporting moderate or strong interest in the event) Additional strong ties – from a 1 SD increase in aggregate demand for information 8,96 (2,55) 1,31

29 Regressionsergebnisse für H2 – da count data (Anzahl der strong ties

30 H2 wird bestätigt Average demand for information across issues in which group i is involved (H2): Poisson: 6,59** (1,82) Neg. Bin.: 6,16* (3,10) Table4. Group-Level-Analysis (abhängige Var: Anzahl der strong ties (count → Poisson/ Negativ-Binomial-Verteilung) H2: unterstützt: Je größer die Beteiligung der Gruppe an Themen, in denen die kollektive Informationsnachfrage hoch ist, desto größer die Investitionen einer Gruppe in strong ties. Poison & Negativ-Binomialverteilung – neg-Binom. Vorzuziehen wg der „signifikanten Streuung“ – 431 → 1 SD mehr an kollektiver Nachfrage bringt 1,6 mehr strong ties

31 Schlussfolgerungen – The Strength of Strong Ties
Informationserhalt durch soziale Kontakte Verbreitung von Informationen folgt sozialen Regeln Milbrath-Zitat vom Anfang: Relevante Informationen werden mit größerer Wahrscheinlichkeit von strong ties kommuniziert. Wenn die Weitergabe von Informationen nun einen Preis bekommt, nimmt der Vorteil von weak ties ab. Aufgrund der Begrenztheit der Weitergabe von Informationen werden diese zunächst – sozialen Regeln folgend – an strong ties (Freunde) weitergegeben Die tatsächliche Ausprägung des Verhältnisses strong/ weak ties ergibt sich aus den Netzwerkcharakteristika für einen Akteur und das Handeln anderer Netzwerkakteure Stichwort Netzwerk-Effizienz: „Network failure“: Ideal der weak ties zur Verbreitung von Information wird empirisch nicht bestätigt, da die Verteilung von Information sozial beeinflusst wird → Struktur ähnlich dem prisoners’ dilemma; Frage für praktische Politik: Implikation dessen ist, dass benötigte Informationen nicht/ nicht an die benötigten Adressaten kommuniziert wird!?!? Strong ties kommunizieren meisten in der eigenen Clique – nicht nach außen. („the greater the need for a well-reasoned decision, the greater the tendency for a policy community to shatter into competing cliques that do not share information“ 433) Während in diesem Artikel der Fokus auf die Priorisierung von Freunden als typische Ausprägung sozialer Handlungsmuster in Netzwerken gelegt wurde, sind andere denkbar – eines: Transitivity wird in „Weak ties“ erwähnt und in weiterer Studie aufgegriffen

32 4. Brokerage Carpenter et al. 2004: Friends, brokers and transitivity

33 Determinanten der Kommunikation
Ähnlichkeit der Policy-Präferenzen „a decision to inform (or not) another lobbyist is heavily conditioned upon their mutual relationships to third parties“ → Transitivität politischer Kommunikation Carpenter (1998): Zugang von Lobbyisten zu Politikern ist auch abhängig von dessen Zugang zu anderen Lobbyisten → die Frage, wie Lobbyisten untereinander Kontakte managen und Informationen austauschen, wird nun hier behandelt Erklärung dieser Kontakte verhaltenswissenschaftliche Tradition: ähnliche policy-Präferenzen strukturalistische Perspektive: Kommunikationswege und –muster Carpenter et al (2004): „social network effects drive communication choices in politics over and above preference similarity and other individual-level determinants” → lobbyists communicate to discover their (complex!) interests → therefore they communicate with those whom they trust (social trust)

34 Kommunikationsnetzwerke
„social trust“ durch Netzwerktransitivität operationalisiert Wozu Kommunikationsnetzwerke? Signaling theory Mobilization of bias Political Communication – zwei Modelle Signaling theory → Sender und Empfänger haben gemeinsame Präferenzen Mobilization of bias: Informationsaustausch spart Kosten je neuer und weniger „festgezurrt“ eine policy Bereich ist, desto bedeutender sind Dinge wie Freundschaft, Vertrauen, etc. um „mutual constructions of issue interpretations“ zu schaffen Social structure of a communication network has two effects: - ermöglicht effizienten Informationsaustausch - trägt zum Aufbau/ Erhalt von Sozialkapital/ Vertrauen bei Soziales Vertrauen: operationalized via concept of network transitivity → die Wahrscheinlichkeit, dass A und B Informationen austauschen wird beeinflusst durch das Vorhandensein gemeinsamer Kontakte zu Dritten (Brokern)

35 Triade der Akteure A, B, C Untersuchungseinheit: Triade aus A, B, C um die Kommunikation zwischen A und B zu untersuchen (dahinter liegende Frage: Wie beeinflussen die Beziehungen von A und B zu anderen Netzwerkakteuren die Wahrscheinlichkeit, dass A und B miteinander kommunizieren? Annahme, dass Informationen „directed“ sind → A ist Sender, B Empfänger → Figure 1: 16 mögliche Konstellationen von Triaden, von denen allerdings nur 6 Formen für uns relevant sind, da nur in diesen die Kommunikation von A zu B von C „gebrokered“ wird

36 Drei Erklärungsmodelle
H1: Facilitator Model C gibt Informationen an A & B -> höhere Wahrscheinlichkeit A→B H2: Transitivity Model C leitet Information von A an B weiter -> höhere Wahrscheinlichkeit A→B H3: Informational Efficiency Model Antihypothese zu H1 & H2 Facilitator Model C gibt Informationen an beide weiter und sorgt so für eine ähnliche Interpretation der Problemlage bei A und B → Wahrscheinlichkeit der Kommunikation zwischen A und B steigt Transitivity Model C leitet Informationen von A an C weiter – d.h. einerseits werden Informationen an sich weitergeleitet, andererseits die Information, dass A’s Informationen vertrauenswürdig sind → positiver Einfluss auf die Wahrscheinlichkeit von Kommunikation zwischen A und B Informational Efficiency Je größer die Menge zusätzlicher Informationen, die durch Kommunikation erlangt werden kann, desto größer die Wahrscheinlichkeit von Kommunikation; Hintergrund: doppelte Informationen sind Resourcenverschwendung (betrifft Transitivtätsnetzwerke und Facilitator Netzwerke) Hypothesen H1: Wahrscheinlichkeit der Kommunikation A → B ist positiv korreliert mit der Anzahl Dritter von denen beide Informationen erhalten H2: Wahrscheinlichkeit der Kommunikation A → B ist positiv korreliert mit der Zahl Dritter and die A Informationen sendet und von denen B solche erhält. H3: Wahrscheinlichkeit der Kommunikation A → B ist negativ korreliert mit der Anzahl Dritter von denen beide Informationen erhalten (H1) oder an die A Informationen schickt und B solche erhält (H2).

37 Facilitator Model

38 Transitivity Model

39 Daten Laumann/ Knoke (1987) aus Gesundheits- und Energiesektor
Organisationsvariablen Netzwerkdaten Kontrollvariablen Laumann/ Knoke Daten aus Gesundheits- und Energiesektor „nonrandom random selection“ → keine Zufallsstichprobe, sondern „sichtbare“ Lobbies in beiden Bereichen (Energie: Unternehmen, Verbände, Forschungsinstitute, Gewerkschaften, Umwelt- und Bürgergruppen, etc.) Datengrundlage: Datensatz enthält Angaben über interne Organisationscharakteristika der Lobbies in Washington (Anzahl Angestellter, Budget, Strukturen, Messung inhaltlicher Präferenzen etc. + Dokumentation der Kommunikationsnetzwerke jeder Gruppe, welche die Datengrundlage für den Artikel darstellen Dabei wird unterschieden in „Routine“-Kommunikation und „confidential advice“ Kommunikation → jeweils „1“ oder „2“ oder „0“ (keine Kommunikation) kodiert → meist gingen beide Kommunikationsformen einher – aufgrund mangelnder Unterschiede in Ergebnissen werden diese nicht ausgegeben Kontrollvariablen Preference similarity (Dyade): % of events, in which both had the same position Interest similarity (Dyade): 0 (no) – 5 (max. interest) scale in a list of issues Activity similarity (Dyade): count of events (list of events) in which both were active Governmental actor (0,1): governmental bureaucracy or congressional committee Budget: dues + grants + fees + endowment Monitoring capacity (# staff) Age Information supply (share of groups in the population that share interests)

40 Ergebnisse – beide Sektoren
Abhängige Variable: Wahrscheinlichkeit A→B Informationsaustausch in ≈ 20% aller Dyaden Gemeinsam signifikante Variablen Ähnlichkeit der Präferenzen Ähnlichkeit der Issue Interests Inferenz/ Regression Logit – Regression Für jeden Bereich (Energie/ Gesundheit) zwei Modelle (mit/ohne “government actors”) Zwei verschiedene Schätzverfahren: „Logit Model Standard Error clustered on Sender“ → schließt Paneleffekte auf Individualebene aus „Logit Random Effects grouped on sender“ → trotz Problemen im Gesundheitssektor zu bevorzugen Nur ca. 20% (Energie: 20,7%, Ges: 19,3%) aller möglichen Dyaden tauschen miteinander Informationen aus

41 Unterschiede Energie - Gesundheit
Monitoringfähigkeit von A (En: positiv signifikant – Ge: negativer Einfluss) Alter von A/B (Ge: signifikant positiv – En: kein Einfluss) Kontrolle für governmental actor (0/1) → größere Bedeutung von Sozialkapital (facilitation & transitivity)

42 Hypothesen – beide Sektoren
H1: Facilitator: in beiden Sektoren positiver, meist signifikanter Einfluss H2: Transitivity: in beiden Sektoren – in allen Triaden positiv signifikanter Einfluss H3 – Information Efficiency wird verworfen Inhaltliche Bedeutung der Bestätigung von H1 & H2: Informationen werden redundant verteilt - korrespondiert mit Aussage zur Komplexität von Fragestellungen („own interests need to be discovered“) + Nonaka – gemeinsame mental models In beiden Sektoren – unter Einbeziehung der governmental actors gilt: facilitator model verstärkt transitivity  kann daran auch gesehen werden, dass Triade 16 (beide Modelle in beide Richtungen) den höchsten singulären Einfluss aller Triaden hat (Verstärkungseffekt gilt nicht für Austauschbeziehung nur zwischen privaten Akteure!)

43 Fazit Einfluss von Netzwerkeffekten auf Kommunikationsentscheidungen
Im Umgang mit governmental actors verstärkt ist die Bedeutung von Sozialkapital verstärkt Herstellung der Kommunikation zwischen A und B nicht nur eine strategische Frage → gemeinsame dritte Kontakte befördern die Wahrscheinlichkeit, indem sie soziales Vertrauen geben D.h.: Bedeutung von „Freundschaft“ und Vertrauen gilt nicht nur im Verhältnis von Interessenvertretern zu Politikern, sondern auch untereinander Kritik: Operationalisierung mit Faktor fünf willkürlich Definition von Event unklar bis irreführend – unpassend zur Datenstruktur – siehe notwendige Anpassungen, die gemacht werden mussten! Konstruktionsfehler des Modells: zufällige Zuteilung ständig neuer, wechselnder strong ties nicht realistisch (gerade weil enge Kontakte Zeit und Geld brauchen werden nicht laufend neue geschaffen → Social Trust in FBT) und umgeht Granovetters Kritik, dass diese keine neuen Informationen bringen

44 Fazit – Access & Brokerage
Anpassung des weak/ strong ties Verhältnisses an die eigenen Bedürfnisse Bedeutung von gemeinsamen Dritten und Sozialkapital „Network failure“ Verhältnis strong / weak ergibt sich aus der Aktualität der Fragestellungen --- Bedarf an „Neuen“ Informationen - Bedeutung gemeinsamer Dritter – insbesondere gegenüber governmental actors „Network failure“: Ideal der weak ties zur Verbreitung von Information wird empirisch nicht bestätigt, da die Verteilung von Information sozial beeinflusst wird → Struktur ähnlich dem prisoners’ dilemma; Frage für praktische Politik: Implikation dessen ist, dass benötigte Informationen nicht/ nicht an die benötigten Adressaten kommuniziert wird!?!? („the greater the need for a well-reasoned decision, the greater the tendency for a policy community to shatter into competing cliques that do not share information“ 433)

45 Literatur Carpenter D, Esterling K, Lazer D The Strength of Strong Ties: A Model of Contact-Making in Policy Networks with Evidence from U.S. Health Politics. Rationality and Society 15: Carpenter DP, Esterling KM, Lazer DMJ The strength of weak ties in lobbying networks - Evidence from health-care politics in the United States. Journal of Theoretical Politics 10: Carpenter DP, Esterling KM, Lazer DMJ Friends, brokers, and transitivity: Who informs whom in Washington politics? The Journal of Politics 66: